神经网络自适应控制地原理

神经网络自适应控制的原理
自适应控制是一种特殊的反馈控制，它不是一般的系统状态反馈或输出反馈，即使对于现行定常的控制对象，自适应控制亦是非线性时变反馈控制系统。

这种系统中的过程状态可划分为两种类型，一类状态变化速度快，另一类状态变化速度慢。

慢变化状态可视为参数，这里包含了两个时间尺度概念：适用于常规
反馈控制的快时间尺度以及适用于更新调节参数的慢时间尺度，这意味着自适应
控制系统存在某种类型的闭环系统性能反馈。

原理图如下：
图2-7自适应控制机构框图
人工神经网络（简称ANN）是也简称为神经网络（NNS ）或称作连接模型，是对人脑或自然神经网络若干基本特性的抽象和模拟。

人工神经网络以对大脑的
生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面
的功能。

人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。

”这一定义是恰当的。

人工神经网络的研究，可以追溯到1957年Rosenblatt提出的感知器模型。

目前在神经网络研究方法上已形流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。

它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。

神经网络的研究可以分为理论研究和应用研究两大方面。

理论研究可分为以下两类：
（1）利用神经生理与认知科学研究人类思维以及智能机理。

（2）利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经
网络模型，深入研究网络算法和性能，女口：稳定性、收敛性、容错性、 鲁棒性等；开发新的网络数理理论。

应用研究可分为以下两类：
（1） 神经网络的软件模拟和硬件实现的研究。

（2） 神经网络在各个领域中应用的研究。

神经网络具有以下•特点：
（1） 能够充分逼近任何复杂的非线性关系；
（2） 全部定性或定量的信息都均匀分布存在于网络内的各神经元，因此有很强 的容错性和鲁棒性；
（3） 使用并行分布处理的方式，让大量运算成可以快速完成；
神经网络自适应的一般结构
神经网络自适应控制有两种基本结构形式，一种是神网络模型参考自适应 控制
（NNMRAC ），—种是神经网络自校正控制（NNSTC ）。

神经网络模型参考自 适应控制又分为直接型与间接型。

结构如图（2 -8 ）所示。

构造一个参考模型使 其输出为期望输出，控制的目的是使y 跟踪。

（a ）直接型
(b)间接型
图2-8神经网络模型参考自适应控制结构
y
由于被控对象特性未知，因此图2-8(b)结构较好，神经网络NNI和NNC 分别表示在线辨识器和控制器。

NNC的作用是通过在线训练使受控对象输出与参考模型的输出之差最小。

由于对象特性未知，给NNC训练造成困难。

目前的
做法是增加神经网络辨识器NNI，使得在线获得对象动态特性。

自校正控制是一种用辨识器将对象参数进行在线估计，用调节器实现参数的自动整定相结合的自适应控制技术，可用于结构已知而参数未知但恒定的随机系统，也可用于结构
已知而参数慢时变的随机系统。

但传统的自校正控制，是将被控对象用于线性或线性化模型进行辨识，对于复杂的非线性系统的自校正控制，则难以实现。

神经网络自校正控制结构如图(2-9)所示
图2-9神经网络自校正结构
它由两个回路组成：(1)自正控制器与被控对象构成的反馈回路。

(2)NNI与控制器设计，以得到控制器参数。

可见辨识器与自校正控制器的在线设计，是自校正控制实现的关键。

2.3.2神经网络模型及算法
人工神经网络是源于人脑神经系统的一类模型，是模拟人类智能的一条重要途径，具有模拟人的部分形象思维的能力。

多年来，学者们建立了多种神经网络模型，决定其整体性的三大要素是：
(1) 神经元的特性；
(2) 神经元之间相互连接的形式是拓扑结构；
(3) 为适应环境而改善性能的学习规则。

神经网络是人脑的某种抽象简化和模拟，是具有高度非线性的系统。

其物理模型虽有多种。

但基本运算可归结为四种：积与权值学习、阈值处理和非线性函
数处理。

从宏观上，一般将神经网络分为四种类型：前馈、反馈、自组织与随机型。

神经网络的发展史，概括起来可以说经历了三个阶段：40~ 60年代的，发展初期; 70年代的研究低潮;80年代至今，神经网络的理论研究取得突破性进展。

多年来神经网络的研究虽已取得了
很多成果，但至今尚未建立起一套完整的理论体系。

2.4多层前馈网络及BP算法基于误差反向传播(Error Back Propagatio n)算法的多层前馈网络(Multiple Layer Feed forward Network" 简称BP网络)，可以任意精度逼近任
意的连续函数，所以广泛应用于非线性建模、函数逼近、模式分类等方面。

虽然BP神经网络是目前应用最广泛、研究较多的一种网络。

但是关于它的开发设计目前为止还没有一套完整的理论。

拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层.、中间层(也称隐层)和输出层。

它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统。

单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。

BP神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。

输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层
传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。

当实际输出与期望输出不符时，进入误差的反向传播阶段。

周而复始的信息正向传播和误差反向传播过程，是各层权
值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。

BP网络是有导
师的学习，是应用最广泛的一种网络。

网络结构如图(2-10 )所示。

图中：X j 表示输入层第j 个节点的输入，j =i,…,;
W ij 表示隐含层第i 个节点到输入层第j 个节点之间的权值；
i 表示隐含层第i 个节点的阈值；
(X )表示隐含层的激励函数；
W k 表示输出层第k 个节点到隐含层第i 个节点之间的权值，i =1,…,q ;
k 表示输出层第k 个节点的阈值,k=1,…,L ;
(x)表示输出层的激励函数;
O k 表示输出层第k 个节点的输出
BP 网络模型处理信息的基本原理是：输入信号X i 通过中间节点(隐层点)
作
(1)信号的前向传播过程
隐含层第i 个节点的输入net i : net 隐含层第i 个节点的输出y i ： y i 输出层第k 个节点的输入net k :
q net k
W ki y i
i 1 输出层第k 个节点的输出O k ： q M
W j X j
i j 1
M (net) ( W j X j
i ) j 1 q W ki i 1 M
(W ij X j j 1 i ) a k q M
a k )
W ki ( W j X j i )a k i 1 j 1 (3-1 )
(3-2 ) (3-3 )
(3-4 )
输
岀
O k
变
* O L
a k
用于输出节点，经过非线形变换，产生输出信号Y k，网络训练的每个样本包括输入向量X和期望输出量T,网络输出值Y与期望输出值T之间的偏差，通过调整输入节点与隐层节点的联接强度取值W ij和隐层节点与输出节点之间的联接强度T jk 以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数，训练即告停止。

此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。